Pandas / Ajouter des colonnes avec indicateurs sur plusieurs ID sur séries temporelles

Bonjour,

A partir de cette table qui comprend une valeur, une date et l'identifiant pour 2000 individus je souhaite calculer des ratios propre à chaque individus.

Pièce jointe 601665

J'ai pensé a procéder de cette manière mais ca ne semble pas bon. Pandas ne me sort pas le calcul de la volatilité. Et je ne pense pas que itérer un df pour chaque ID soit la meilleure solution.

Code:

---

1 2 3 4 5 6 7 8

data = dict()   for unique in MV['ID_Perf'].unique(): data[unique] = MV.loc[MV['ID_Perf']==unique] data[unique]['Perf'] = data[unique]['VL']/data[unique]['VL'].shift(1) -1 data[unique]['Volat'] = (np.std(data[unique]['Perf'])*252**0.5)

---

Pièce jointe 601667

Cette méthode non plus ne donne rien.

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14

def std(grp): grp = grp / (grp.shift() - 1) return grp.std() * 252**0.5   std = (MV.groupby('ID_Perf')['VL'].apply(std) .rename('Volat') )   df = MV.join(std, on='ID_Perf')   check = df.loc[df.loc[:,'ID_Perf']=='0P00000ARS']   check

---

Pièce jointe 601668

De quelle manière je dois m'y prendre pour calculer des ratios par ID en série temporelle ? Merci

Salut,

Ce problème est sans doute réglé depuis lors, mais je propose quand même une solution. Pas très élégante, et sans doute très lente dès lors qu'il s'agit de traiter un grand nombre de données. Cela dit, mieux vaut une solution peu efficace que pas de solution :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

import numpy as np import pandas as pd     data = { 'Date_VL': ['2016-05-31', '2016-05-31', '2016-05-31', '2016-06-01', '2016-06-01', '2016-06-02', '2016-06-02', '2016-06-03'], 'ID_Perf': ['1', '2', '3', '1', '2', '1', '2', '1'], 'VL': [100, 100, 100, 104, 99, 105, 100, 106], }   df = pd.DataFrame(data) print(df)   for id_perf in set(df['ID_Perf'].values): # Subset _df = df[df['ID_Perf'] == id_perf] # Annual volatility and returns _df['Perf'] = _df['VL'] / _df['VL'].shift(1) - 1 _df['Volat'] = np.sqrt(np.std(_df['Perf'])*252)   print(id_perf) print(_df)

---

Pour chaque identifiant unique (d'où mon emploi de set()), je filtre le dataframe puis calcule les deux grandeurs souhaitées.

ça fait le job.

J